.png){kind=icon}
返回
Ctrl-GenAug: Controllable Generative Augmentation for Medical Sequence Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-02786-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在医学领域，大规模数据集的有限可用性和劳动密集型的标注过程阻碍了深度模型的表现。基于扩散的生成增强方法为该问题提供了一种有前景的解决方案，已被证明在推进下游医学识别任务方面是有效的。然而，现有工作在挑战性视频/3D序列生成方面缺乏足够的语义和时序可控性，并且忽视了噪声合成样本的质量控制，导致合成数据集不可靠，严重限制了下游任务的表现。在本工作中，我们提出了Ctrl-GenAug，一种新颖且通用的生成增强框架，能够实现高度语义和时序定制的序列合成，并抑制错误合成的样本，以辅助医学序列分类。具体而言，我们首先设计了一个多模态条件引导的序列生成器，用于可控地合成促进诊断的样本。集成了一个时序增强模块，以增强生成样本的时间/立体一致性。然后，我们提出了一种噪声合成数据过滤器，以在语义和时序层面抑制不可靠的案例。在5个包含4种不同模态的医学数据集上的大量实验，包括与15种增强方法的比较以及使用3种范式训练的11个网络的评估，全面证明了Ctrl-GenAug的有效性和通用性，特别是在少数高风险人群和跨域条件下表现出显著的性能提升。代码、模型和合成数据集可在https://github.com/XinRuiZhou0106/Ctrl-GenAug获取。
Keyword:
Classification
Controllable generative augmentation
Medical sequence synthesis
Diffusion model
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
Measurement Guidance in Diffusion Models: Insight from Medical Image Synthesis扩散模型中的测量指导：来自医学图像合成的见解
PREAI
分享收藏Test-time bi-directional adaptation between image and model for robust segmentation用于鲁棒分割的图像和模型之间的测试时间双向自适应
PREAI
分享收藏Sketch guided and progressive growing GAN for realistic and editable ultrasound image synthesis.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis: Is the Problem Solved?用于自动MRI心脏多结构分割和诊断的深度学习技术: 问题解决了吗？
OAAI
OAAI分享收藏FetalFlex: Anatomy-guided diffusion model for flexible control on fetal ultrasound image synthesisFetalFlex: 基于解剖学的扩散模型，用于胎儿超声图像合成的灵活控制Medical Image Analysis
Medical Image AnalysisIF11.8
PREAI
分享收藏2D medical image synthesis using transformer-based denoising diffusion probabilistic model基于transformer去噪扩散概率模型的二维医学图像合成OAAI
OAAI分享收藏Machine learning for medical imaging: methodological failures and recommendations for the future医学成像的机器学习: 方法学上的失败和对未来的建议NPJ DIGITAL MEDICINEOAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏
查看更多内容